[发明专利]一种基于机器学习的复杂环境下无线定位方法

权利要求书

1.一种基于机器学习的复杂环境下无线定位方法，其特征在于，采用视距(Line ofSight，LOS)环境下基于UWB(Ultra-Wide Band，超宽带)的几何定位模块、非视距(Non LineofSight，NLOS)环境下基于深度学习的指纹定位模块、基于加速度和陀螺仪的航位推算(DeadReckoning，DR)模块和基于视觉的同步定位与地图构建(Visual SimultaneousLocalization andMapping，VSLAM)模块对终端进行多信号源融合定位，并通过机器学习实现样本的自动更新以及深度置信网络(Deep Boltzmann Machine，DBN)的自动训练，具体步骤如下：

步骤1：加速度计获取加速度信号，陀螺仪获取角速度信号，利用DR推算出其在下一时刻的坐标位置，得到DR定位结果；

步骤2：将加速度信号、角速度信号和摄像头采集的图像信号输入到VSLAM系统的前端视觉里程计进行处理，计算姿态变化，并进行回环检测和后端非线性优化，构建周围环境地图，从而得到VSLAM定位结果；

步骤3：将步骤1和步骤2得到的定位结果进行EKF(Extended Kalman Filter，扩展卡尔曼滤波)平滑融合处理，从而得到EKF融合结果；

步骤4：对带有噪声的UWB信号进行小波变化，再对各个尺度的模极大值进行处理，利用处理后的模极大值重构信号以去除噪声；

步骤5：利用基于峭度和偏度的非视距识别判断当前环境，若为LOS环境，则执行步骤6；若为NLOS环境，则跳转到步骤7；

步骤6：对去噪后的UWB信号进行基于标准差迭代的无线测距，计算终端信号到多个基站的到达时间差实现UWB几何定位，然后跳转到步骤8；

步骤7：采用中值滤波方法测量地磁信号强度，利用小波包分解构造UWB能量谱特征向量，将地磁信号样本和UWB能量谱特征向量输入到DBN网络，进行特征指纹的训练，并计算输出的位置结果，得到DBN指纹定位结果，然后跳转到步骤9；

步骤8：对步骤3得到的EKF融合结果和步骤6得到的UWB几何定位结果进行粒子滤波融合，得到LOS环境下终端的最终定位结果，然后跳转到步骤10；

步骤9：对步骤3得到的EKF融合结果和步骤7得到的DBN指纹定位结果进行粒子滤波融合，得到NLOS环境下终端的最终定位结果，然后跳转到步骤11；

步骤10：将步骤8得到的定位结果作为标签，基于中值滤波测量的地磁强度作为信号指纹，采用基于HMM(Hidden Markov Model，隐式马尔科夫模型)的流形对齐法更新地磁指纹样本库，然后跳转到步骤12；

步骤11：将步骤9得到的定位结果作为标签，基于小波包分解得到的UWB能量谱特征向量作为信号指纹，采用基于HMM的流形对齐法更新UWB能量谱特征向量指纹样本库；

步骤12：基于步骤10和步骤11更新后的两个样本库，实现DBN的自动学习和自动更新。